基于机器学习算法的冠心病风险预测及其特征分析模型

目的 基于机器学习算法构建冠心病风险评估模型,并比较极限梯度上升（eXtreme Gradient Boosting,XGBoost）模型和逻辑回归（Logistic Regression, LR）在预测冠心病患病风险中的效能,为冠心病的诊断提供计算机辅助方法。方法 通过对kaggle社区上发布的冠心病数据集进行预处理后,将特征变量纳入logistic和XGBoost模型中,对其查准率、召回率、ROC曲线下面积（AUC）进行对比,以验证模型性能。结果 XGBoost模型相对于传统的logistic回归模型预测性能更优,其中,年龄、性别、血糖水平、身体质量指数和收缩压为冠心病的主要危险因素。结论 冠心病风险预测模型能为冠心病早期预防控制及诊断提供参考依据。